【技術實現步驟摘要】
本專利技術涉及電力系統自動電壓控制，具體來說，尤其涉及一種虛擬振蕩器輔助風電場無功協調系統及方法。
技術介紹
1、風能作為當前最具大規模商業開發和應用價值的新能源之一，全球儲量極為豐富。與傳統化石能源如煤炭、石油、天然氣相比，風能的最大優勢在于其可再生性。風能是由地球表面大量空氣流動產生的，因此在某種程度上，它是一種取之不盡、用之不竭的能源。除此之外，風能作為可再生能源的代表，具有持續利用的潛力，同時具備環境友好這一特性。
2、目前，隨著經濟和技術的快速發展，風電場的建設速度往往超過了地區電網的發展。當風電機組產生的有功功率過大時，電網的聯絡線通常無法滿足安全標準。由于風電機組的功率輸出具有波動性和隨機性，再加上電網在無功電壓控制方面手段不足，電網電壓質量問題變得尤為突出。
3、虛擬振蕩器控制技術作為一種新型的電力電子控制手段，得到了越來越多的關注。虛擬振蕩器可以模仿電網中傳統同步發電機的動態行為，通過引入振蕩器的控制機制來調節功率輸出，實現對風電機組的無功功率進行智能化協調。
4、中國專利公開號：cn117639125a，公開的風電場無功協調方法及裝置、電子設備、存儲介質，通過提出一種考慮風電出力波動的海上風電經柔性直流送出時風電場群無功協調控制方法，可以確保經柔性直流輸電送出的海上風電場受風速變化影響下，有功出力存在較大波動性的情況下，風電場集電系統無功潮流分布的合理性，減少集電系統中的有功損耗及無功補償的容量，降低海上風電工程建設造價和充分發揮海上風電場參與電網無功控制能力。該方法可適用
5、但是傳統方法在處理風電場的有功功率輸出數據和電網實時需求時，難以做到快速響應和動態調整，無法滿足電網運行過程中對無功調節的實時需求，且往往難以有效評估各設備的無功調節能力，導致在無功功率分配中未能充分利用不同設備的調節潛力，影響了調節效率和電網的整體穩定性，此外，許多現有方法依賴于集中式控制，難以實現各設備間的自動同步和協作控制，在電網穩定性面臨挑戰時響應較慢，同時在無功調節任務的分配上，傳統技術無法有效優化資源的分配，導致部分設備負荷過重，部分設備未充分利用，影響風電場和電網的整體運行效率。
6、針對相關技術中的問題，目前尚未提出有效的解決方案。
技術實現思路
1、為了克服以上問題，本專利技術旨在提出一種虛擬振蕩器輔助風電場無功協調系統及方法，目的在于解決傳統方法在處理風電場的有功功率輸出數據和電網實時需求時，難以做到快速響應和動態調整，無法滿足電網運行過程中對無功調節的實時需求，且往往難以有效評估各設備的無功調節能力，導致在無功功率分配中未能充分利用不同設備的調節潛力，影響了調節效率和電網的整體穩定性的問題。
2、為此，本專利技術采用的具體技術方案如下：
3、根據本專利技術的一個方面，提供了一種虛擬振蕩器輔助風電場無功協調系統，該虛擬振蕩器輔助風電場無功協調系統包括：綜合預測模塊、多目標優化模塊、高波動性響應模塊及低波動性管理模塊；
4、綜合預測模塊，用于利用多層次神經網絡對風電場與電網的多維度運行參數進行綜合預測，評估未來預設時間內的參數運行狀態和功率波動趨勢；
5、多目標優化模塊，用于基于評估結果和風電場的實時有功功率輸出，動態計算電壓波動性指標和頻率波動性指標，并結合無功需求和電壓穩定性要求，通過多目標優化分析計算所需的無功調節量，確定各設備的響應優先級和控制策略；
6、高波動性響應模塊，用于當電壓波動性指標和頻率波動性指標超出預設閾值時，虛擬振蕩器將根據各設備的響應優先級進行調整，并基于控制策略采取對應的控制措施，以穩定電網的電壓和頻率；
7、低波動性管理模塊，用于當電壓波動性指標和頻率波動性指標未超出預設閾值時，虛擬振蕩器根據電網的實時需求控制各設備的無功功率輸出；并通過去中心化控制機制實現設備間的自動同步，同時動態分配無功調節任務，自適應調整各設備的功率輸出。
8、可選地，綜合預測模塊包括數據收集單元、特征選擇單元、模型構建與訓練單元、預測與驗證單元及對比分析單元；
9、數據收集單元，用于從風電場和電網的歷史數據庫中收集多維度運行參數；
10、特征選擇單元，用于利用特征選擇算法從收集的多維度運行參數中提取與運行狀態和功率波動關聯的特征數據；
11、模型構建與訓練單元，用于構建多層次神經網絡模型，將提取的特征數據輸入，通過訓練集進行多輪迭代訓練，并利用優化算法調整多層次神經網絡模型的權重和偏置；
12、預測與驗證單元，用于利用訓練后的多層次神經網絡模型對未來預設時間內的風電場和電網運行狀態進行預測，輸出電壓波動、頻率波動及功率波動的預測結果，并通過測試集對預測結果進行驗證；
13、對比分析單元，用于將預測得到的電壓波動、頻率波動及功率波動與風電場和電網的歷史運行數據進行對比分析，評估未來預設時間內的參數運行狀態和功率波動趨勢。
14、可選地，特征選擇單元在利用特征選擇算法從收集的多維度運行參數中提取與運行狀態和功率波動關聯的特征數據時包括：
15、對收集的多維度運行參數進行標準化處理；
16、計算標準化后的多維度運行參數的協方差矩陣；
17、對協方差矩陣進行特征值分解，提取特征值和對應的特征向量，其中，特征值代表每個主成分解釋數據方差的大小，特征向量則表示各主成分的方向；
18、按照特征值的大小從高到低排序，選擇符合預設比例要求的主成分，作為提取的特征數據；
19、將收集的多維度運行參數投影到所選主成分構成的空間中，得到降維后的特征數據。
20、可選地，模型構建與訓練單元在構建多層次神經網絡模型，將提取的特征數據輸入，通過訓練集進行多輪迭代訓練，并利用優化算法調整多層次神經網絡模型的權重和偏置時包括：
21、將提取的特征數據分為訓練集、驗證集和測試集，并準備長短期記憶網絡所需的時間序列數據和卷積神經網絡所需的張量格式；
22、構建包含1d卷積層、最大池化層、長短期記憶網絡層和全連接層的多層次神經網絡模型，分別提取空間特征和時間依賴關系；
23、構建多層次神經網絡模型，選擇均方誤差作為損失函數，adam優化器作為優化器，并設置評估指標；
24、利用訓練數據進行多輪迭代訓練，在每一輪迭代中，基于驗證集的數據計算損失和評估指標，并動態調整多層次神經網絡模型的權重和偏置；
25、在訓練過程中監控驗證集的損失變化，并根據驗證集的表現選取最佳模型參數；
26、利用測試集評估模型的預測性能，計算最終的評估指標。
27、可選地，對比分析單元在將預測得到的電壓波動、頻率波動及功率波動與風電場和電網的歷史本文檔來自技高網...
【技術保護點】
1.一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，該虛擬振蕩器輔助風電場無功協調系統包括：綜合預測模塊、多目標優化模塊、高波動性響應模塊及低波動性管理模塊；
2.根據權利要求1所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述綜合預測模塊包括數據收集單元、特征選擇單元、模型構建與訓練單元、預測與驗證單元及對比分析單元；
3.根據權利要求2所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述特征選擇單元在利用特征選擇算法從收集的多維度運行參數中提取與運行狀態和功率波動關聯的特征數據時包括：
4.根據權利要求3所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述模型構建與訓練單元在構建多層次神經網絡模型，將提取的特征數據輸入，通過訓練集進行多輪迭代訓練，并利用優化算法調整多層次神經網絡模型的權重和偏置時包括：
5.根據權利要求4所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述對比分析單元在將預測得到的電壓波動、頻率波動及功率波動與風電場和電網的歷史運行數據進行對比分析，評估未來預設時間內的參數運
6.根據權利要求1所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述多目標優化模塊在基于評估結果和風電場的實時有功功率輸出，動態計算電壓波動性指標和頻率波動性指標，并結合無功需求和電壓穩定性要求，通過多目標優化分析計算所需的無功調節量，確定各設備的響應優先級和控制策略時包括：
7.根據權利要求6所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述最小化電壓波動性、最小化頻率波動性以及滿足電網無功需求為目標的表達式為：
8.根據權利要求7所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述基于多目標優化模型，動態計算出滿足電壓穩定性和頻率穩定性要求的無功調節量；并根據無功調節量和各類設備的調節能力，確定不同設備的響應優先級包括：
9.根據權利要求1所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述低波動性管理模塊在當電壓波動性指標和頻率波動性指標未超出預設閾值時，虛擬振蕩器根據電網的實時需求控制各設備的無功功率輸出；并通過去中心化控制機制實現設備間的自動同步，同時動態分配無功調節任務，自適應調整各設備的功率輸出時包括：
10.一種虛擬振蕩器輔助風電場無功協調方法，用于實現權利要求1-9中任一項所述的虛擬振蕩器輔助風電場無功協調系統，其特征在于，該虛擬振蕩器輔助風電場無功協調方法包括以下步驟：
...【技術特征摘要】
1.一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，該虛擬振蕩器輔助風電場無功協調系統包括：綜合預測模塊、多目標優化模塊、高波動性響應模塊及低波動性管理模塊；
2.根據權利要求1所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述綜合預測模塊包括數據收集單元、特征選擇單元、模型構建與訓練單元、預測與驗證單元及對比分析單元；
3.根據權利要求2所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述特征選擇單元在利用特征選擇算法從收集的多維度運行參數中提取與運行狀態和功率波動關聯的特征數據時包括：
4.根據權利要求3所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述模型構建與訓練單元在構建多層次神經網絡模型，將提取的特征數據輸入，通過訓練集進行多輪迭代訓練，并利用優化算法調整多層次神經網絡模型的權重和偏置時包括：
5.根據權利要求4所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述對比分析單元在將預測得到的電壓波動、頻率波動及功率波動與風電場和電網的歷史運行數據進行對比分析，評估未來預設時間內的參數運行狀態和功率波動趨勢時包括：
6.根據權利要求1所述的一種虛擬振蕩器輔助風電場無功協調系統，其特征在于，所述...
【專利技術屬性】
技術研發人員：于洋，丁春興，杜寶剛，梁哲銘，董宸希，王志勇，程施霖，楊超，
申請(專利權)人：華能阜新風力發電有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。